Graphes, Algorithmes - et modélisation · Graphes,Algorithmes et mod´elisation Thomas Schiex,...

Graphes, Algorithmes

et modelisation

Thomas Schiex, Simon de Givry

INRA 1

24 octobre 2013

1. Remerciements a J-P. Metivier pour ses transparents animes. Certainesfigures proviennent de Cormen, Leiserson et Rivest c©MIT, 2001

Thomas Schiex, Simon de Givry Graphes, Algorithmes

http://www.inra.fr/bia/T/schiex/

http://www.inra.fr/bia/T/degivry/



Graphes

Visiter la ville en passant une seule fois par chaque pont ?




Graphes

Les elements importants. . .




Graphes

A

B

C

D

a

b

c

d

e

f

g

B

A

C

D

a

b c

d

e

f

g

Les dernieres etapes. . .

Un graphe admet un circuit eulerien ssi tout sommet est connectea un nombre pair de sommets.




Carrefour (Princeton)

A

B

C

D

E

Determiner les differentes phases des feux de circulation.




Graphes. . .

1 lister les flots possibles (sommets).

2 lister les incompatibilites entre flots (aretes).

3 Probleme de determination d’un nombre minimum de“phases : coloriage (NP-dur).

AB AC AD

BA BC BD

DA DB DC

EA EB EC ED

Le graphe d’incompatibilite




Graphes non orientes

Definition (Graphe non oriente)

un graphe non oriente G = (S ,A) est defini par :

un ensemble S fini de sommets.








un ensemble A d’aretes, chaque arete connectant deuxsommets (pas necessairement differents).








un ensemble A d’aretes, chaque arete connectant deuxsommets (pas necessairement differents).

Une arete a = {x , y} est aussi notee x – y . On dit que x et ysont adjacents.




Un graphe non oriente

BA

C D

E

Un graphe non oriente, G2




Un graphe non oriente

BA

C D

E

Un graphe non oriente, G2

N.B. en anglais :

graph ≡ graphevertex/vertices ≡ sommet/sommetsedge ≡ arete




Graphes orientes

Definition (Graphe oriente)

un graphe oriente G = (S ,A) est defini par :

un ensemble S fini de sommets (vertices, un sommet : avertex)




Graphes orientes




un ensemble A d’arcs, chaque arc ayant une origine et un butdans S.




Graphes orientes





Un arc a = (s, t) : t est un successeur de s, s un predecesseurde t.




Graphes orientes





Un arc a = (s, t) : t est un successeur de s, s un predecesseurde t.

Un arc s → s est une boucle. On appelle |S | l’ordre du graphe.




Un graphe oriente

BA

C D

E

F

GUn graphe oriente, G1




Un graphe oriente

BA

C D

E

F

GUn graphe oriente, G1

N.B. en anglais :

directed graph/digraph ≡ graphe oriente

(directed) edge/arc ≡ arc




Graphes simples, degres

Definition (Graphe simple)

Un graphe est dit simple s’il existe au plus un arc (arete)d’origine et de buts donnes et s’il est sans boucle.

Definition (degres)







A definit dans ce cas une relation binaire sur S (une partie deS × S).

Definition (degres)








Definition (degres)

Dans un graphe oriente, le degre sortant (resp. entrant) d’unsommet s est le nombre de sommets qui sont successeurs(resp. predecesseurs) de s. Le degre est la somme des degresrentrants et sortants.








Definition (degres)

Dans un graphe oriente, le degre sortant (resp. entrant) d’unsommet s est le nombre de sommets qui sont successeurs(resp. predecesseurs) de s. Le degre est la somme des degresrentrants et sortants.

Dans un graphe non oriente, le degre de s est le nombre desommets adjacents a s




Sous-graphe

Definition (Sous-graphe)

Soit un graphe G = (S ,A), et S ′ ⊂ S, le sous-graphe induit par S ′

est le graphe (S ′,A′) ou A′ = {(u, v) ∈ A/u ∈ S ′ ∧ v ∈ S ′}.

BA

C DLe sous-graphe de G1 induit par {A,B ,C ,D}

Isomorphisme de sous-graphe : NP-difficile.




Graphe partiel

Definition (Graphe partiel)

Soit un graphe G = (S ,A), et A′ ⊂ A, le graphe (S ,A′) est ungraphe partiel de G .

BA

C D

E

F

G

Un graphe partiel de G1




Graphe complet, clique

Definition (Graphe complet)

Un graphe est complet si pour toute paire de sommets (u, v)il existe au moins un arc (arete) entre u et v .

Le graphe simple complet non oriente K6




Graphe complet, clique

Definition (Graphe complet)

Un graphe est complet si pour toute paire de sommets (u, v)il existe au moins un arc (arete) entre u et v .

Si le sous-graphe induit par S ′ ⊂ S est complet, S ′ forme uneclique. Un graphe simple complet d’ordre n est note Kn.

Le graphe simple complet non oriente K6




Chaınes et cycles

Definition (Chaınes,cycles)

Soit un graphe non oriente G = (S ,A), une chaıne de longueur kentre un sommet u et un sommet u′ appele but est une sequence〈v0, . . . , vk〉 telle que v0 = u, vk = u′ et

∀i , 0 ≤ i ≤ k − 1, (vi , vi+1) ∈ A

Simple : ne passe pas deux fois par la meme arete.




Chaınes et cycles



∀i , 0 ≤ i ≤ k − 1, (vi , vi+1) ∈ A


Elementaire : ne passe pas deux fois par le meme sommet.




Chaınes et cycles



∀i , 0 ≤ i ≤ k − 1, (vi , vi+1) ∈ A



Une chaıne dont les deux extremites sont confondues estappele un cycle.




Chemin, circuit

Definition (Chemins,circuits)

Soit un graphe oriente G = (S ,A), un chemin de longueur k d’unsommet u appele extremite initiale vers un sommet u′ appeleextremite finale/terminale est une sequence 〈v0, . . . , vk〉 telle quev0 = u, vk = u′ et ∀i , 0 ≤ i ≤ k − 1, vi → vi+1 ∈ A.

Simple : ne passe pas deux fois par le meme arc.

Circuit : chemin qui boucle. Details sur elementaire.




Chemin, circuit

Definition (Chemins,circuits)

Soit un graphe oriente G = (S ,A), un chemin de longueur k d’unsommet u appele extremite initiale vers un sommet u′ appeleextremite finale/terminale est une sequence 〈v0, . . . , vk〉 telle quev0 = u, vk = u′ et ∀i , 0 ≤ i ≤ k − 1, vi → vi+1 ∈ A.

Simple : ne passe pas deux fois par le meme arc.


Circuit : chemin qui boucle. Details sur elementaire.




Graphe connexe

Definition (Connexite)

Un graphe (non oriente) G = (S ,A) est connexe s’il existeune chaıne entre chaque paire de sommets s, t ∈ S.




Graphe connexe



La composante connexe d’un sommet s ∈ S est le sous grapheinduit par tous les sommets relies a s par une chaıne au moins.




Graphe connexe



La composante connexe d’un sommet s ∈ S est le sous grapheinduit par tous les sommets relies a s par une chaıne au moins.

Classe d’equivalence de la relation d’existence d’une chaıne.




Arbre et Forets

Definition (Arbre)

Un graphe non oriente et sans cycle simple (acyclique) est aussiappele une foret.

Chaque composante connexe est appele un arbre.

B

C D

E

A F

G

H

I

J

K




Arbres. . .

Soit G = (S ,A) un graphe de n ≥ 2 sommets.

Il est connexe et a n − 1 aretes.

Il est connexe et sans cycle simple.

Il sans cycle simple et a n − 1 aretes.

Il est sans cycle simple et l’ajout d’une arete cree un cyclesimple.

Il existe une et une seule chaıne simple entre chaque paire desommets.

Il est connexe et la perte d’une arete quelconque le rend nonconnexe




Graphe fortement connexe

Definition

Un graphe oriente G = (S ,A) est fortement connexe si pourtous sommets s, t ∈ S, il existe un chemin allant de s a t.





Definition


La composante fortement connexe d’un sommet s ∈ S est lesous-graphe induit par l’ensemble des sommets t ∈ S tels qu’ilexiste une chemin de s a t et de t a s.





Definition


La composante fortement connexe d’un sommet s ∈ S est lesous-graphe induit par l’ensemble des sommets t ∈ S tels qu’ilexiste une chemin de s a t et de t a s.

Classe d’equivalence de la relation d’accessibilite mutuelle.




Composantes fortement connexes

BA

C D

E

F

G

Les composantes fortement connexes de G1




Des racines et des arbres. . .

Definition (Arborescence)

Un arbre enracine ou arborescence est un graphe orientepossedant un sommet privilegie appele racine et tel qu’il existeun chemin et un seul de la racine a tout autre sommet.







A partir d’un arbre : choisir une racine. Vocabulaire : nœuds,fils, descendants, ascendants. . .







A partir d’un arbre : choisir une racine. Vocabulaire : nœuds,fils, descendants, ascendants. . .

Definition (Arborescence ordonnee)

Une arborescence est ordonnee si les ensemble des fils de chaquesommet sont ordonnes.




Une arborescence

B

C D

E

A

Arborescence obtenue a partir de la composante connexe{A,B ,C ,D,E} de la foret precedente, en isolant A comme racine




En machine : matrice d’adjacence

Definition (Matrice d’adjacence)

La matrice d’adjacence A d’un graphe G = (S ,A) d’ordre n estune matrice n × n a coefficients dans {0, 1} ou chaque ligne etchaque colonne correspond a un sommet de G et ou :

Aij = 1⇔ (i , j) ∈ A

Dans le cas non oriente, la matrice d’adjacence est symetrique.




Graphes. . .

0 1 1 0 00 0 0 0 10 0 0 1 00 1 0 0 00 0 0 1 0

La matrice d’adjacence du sous-graphe de G1 induit par{A,B ,C ,D,E}




Graphes. . .

0 1 1 0 00 0 0 0 10 0 0 1 00 1 0 0 00 0 0 1 0

La matrice d’adjacence du sous-graphe de G1 induit par{A,B ,C ,D,E}

Acces en temps constant a l’existence d’arc/arete entre 2 sommetsmais parcours des aretes en O(n2).




Une alternative plus usuelle

Definition (Liste d’adjacence)

un tableau Adj de |S | listes, une pour chaque sommet.







pour chaque sommet u, la liste Adj[u] contient les (ou desreferences aux) sommets v adjacents a u (tels qu’il existe unarc/arete (u, v) ∈ A).







pour chaque sommet u, la liste Adj[u] contient les (ou desreferences aux) sommets v adjacents a u (tels qu’il existe unarc/arete (u, v) ∈ A).

A

B

C

D

E

B C

A E

D

C B E

B D

D

A

Listes d’adjacence de G2




Exemples




Matrices et graphes

Produit de deux matrices n × n naıf est en O(n3). Pasd’amelioration importante (eg. algorithme de Sollen enO(nlog2(7))).

Pour manipuler les matrices, on utilise l’algebre de Boole(multiplication = ∧, addition = ∨).

Definition (Fermeture transitive)

La fermeture transitive d’une graphe (simple) G = (S ,A) est legraphe G ′ = (S ,A′) tel que (i , j) ∈ A′ ⇔ il existe unchemin/chaıne de i a j .




Matrices et Chemins

M matrice d’adjacence de G . Mp est telle que Mpij = 1⇔ ∃ un

chemin de p arcs allant de i a j .

Entrees : M, matrice, p puissance;si p = 1 alors

retourner M;sinon

J ← M⌊ p2⌋;

K ← J × J;si p est pair alors

retourner K ;sinon

retourner K ×M;




Algorithme de Warshall

S’il existe un chemin entre deux sommets de G , il existe un cheminelementaire en ces sommets, de longueur < n.

La matrice de la fermeture transitive du graphe est la somme (leou logique) M +M2 + · · ·+M |S|−1.

Entree : M, matrice d’adjacence;pour i allant de 1 a n faire

pour j allant de 1 a n fairesi Mji = 1 alors

pour k allant de 1 a n fairesi Mik = 1 alors Mjk ← 1




Correction

Recurrence, sur la boucle exterieure

A la i eme iteration, pour toute paire de sommets j , k , on aMjk = 1 ssi il existe un chemin de j a k qui utilise uniquement dessommets (en sus) de {1, . . . , i}.

1 Vrai au debut de l’algorithme car M est la matrice d’incidence.




Correction




2 a l’iteration i , il existe un chemin de j a k qui passe par dessommets de {1, . . . , i} ssi il existe un chemin elementaire de ja k qui passe par des sommets de {1, . . . , i}.




Correction





3 il se decompose en 2 parties de j a i et de i a k .




Correction






4 chaque partie utilise des sommets de {1, . . . , i − 1}. Onapplique l’hypothese de recurrence.




Correction






4 chaque partie utilise des sommets de {1, . . . , i − 1}. Onapplique l’hypothese de recurrence.

5 l’algorithme fixe Mjk a 1 ssi ces deux conditions sont verifiees.




La version graphe

Entree : G , un graphe;pour chaque sommet s de G faire

pour chaque arc s1 → s de G fairepour chaque arc s → s2 de G faire

Ajouter a G l’arc s1 → s2;

En utilisant une autre algebre que (∧,∨), l’algorithme peutcalculer d’autres proprietes. Avec (min,+), il calcule la distanceminimum entre toute paire de sommets (plus courts chemins).




Parcourir les graphes : arborescences

Visiter chaque sommet, chaque arc/arete UNE fois.






Profondeur d’abord : pour visiter un nœud que l’ondecouvre, il faut d’abord visiter tous ses fils. Il est alors ferme.







Structures : d [u], f [u] date de decouverte/fermeture.







Structures : d [u], f [u] date de decouverte/fermeture.

u racine, t variable globale initialisee a 0;Procedure DFS-Tree(u)

d [u]← (t ← (t + 1));pour chaque sommet v, fils de u faire

DFS-Tree(v);

f [u]← (t ← (t + 1));




Applique aux graphes

Arborescence DFS : a la decouverte d’un sommet s, les fils de cesommet dans l’arborescence sont les sommets accessibles depuis set non encore visites.






Appel sur le graphe G = (S ,A) (oriente ou non);Procedure DFS(G)

pour chaque sommet u ∈ S fairecouleur [u]← b;π[u]← nil;

t ← 0;pour chaque sommet u ∈ S faire

si couleur [u] = b alors DFS-Visit(u)






Appel sur le graphe G = (S ,A) (oriente ou non);Procedure DFS(G)

pour chaque sommet u ∈ S fairecouleur [u]← b;π[u]← nil;

t ← 0;pour chaque sommet u ∈ S faire

si couleur [u] = b alors DFS-Visit(u)

N.B. en anglais :

DFS ≡ Depth First Search




Algorithme de parcours

Procedure DFS-Visit(u)couleur [u]← g ;d [u]← (t ← (t + 1));pour chaque sommet v ∈ Adj[u] faire

si couleur [v ] = b alorsπ[v ]← u;DFS-Visit(v);

couleur [u]← n;f [u]← (t ← (t + 1));

Initialisation θ(|S |),DFS-Visit une fois par sommet : globalementen θ(|S |+ |A|)




Exemple

u v w

x yz

Parcourir ce graphe en profondeur d’abord




Exemple

Exploration en profondeur d’abordThomas Schiex, Simon de Givry Graphes, Algorithmes



Les arcs

Et les couleurs du sommet v a sa premiere rencontre.

arcs d’arbre (blanc) : ceux qui sont suivis par DFS. Un arcu → v est un arc d’arbre si v a ete decouvert a partir de u.

arcs arrieres (gris) : ce sont les arcs qui connectent unsommet u a un ancetre dans l’arborescence de profondeurd’abord.

arcs avants (noir) : ce sont les arcs qui connecte un sommetu a un descendant de u mais qui n’ont pas ete suivies parDFS.

arcs traversiers (noir) : tous les autres arcs.

Detection de circuits : existence d’arcs arriere (gris) dans unparcours DFS.




Exemple : le tri topologique

Un tri topologique d’un Graphe Oriente Sans Circuit (GOSC) Gconsiste a determiner un ordre des sommets tel que si un arc u → vexiste dans G , alors v est place apres u dans l’ordre des sommets.

Procedure Tri-Topologique(G)Appeler DFS(G ) pour calculer les f [u];

A chaque fois qu’un sommet est ferme, l’inserer en tete d’uneliste L;retourner L;




Exemple : le tri topologique

Un tri topologique d’un Graphe Oriente Sans Circuit (GOSC) Gconsiste a determiner un ordre des sommets tel que si un arc u → vexiste dans G , alors v est place apres u dans l’ordre des sommets.

Procedure Tri-Topologique(G)Appeler DFS(G ) pour calculer les f [u];

A chaque fois qu’un sommet est ferme, l’inserer en tete d’uneliste L;retourner L;

N.B. en anglais :

Graphe Oriente Sans Circuit (GOSC) ≡ Directed Acyclic Graph (DAG).




Exemple : habillage du Pr. Cosinus

slip

ceinture

pantalon

chemise

veste

chaussures

montre

chaussettes

cravate

11/16

12/15

6/7

1/8

2/5

3/4

17/18

13/14

9/10

Tri topologique du Pr. Cosinus avant l’habillage

chaussettes slip pantalon montrechaussures chemise ceinture vestecravate




Largeur d’abord

On decouvre les sommets par distance croissante avec la “racine”.Utilise une file (FIFO)

Procedure BFS(G , s)pour chaque sommet u ∈ S − {s} faire

couleur [u]← b;d [u]← +∞;π[u]← nil;

couleur [s]← g ;d [s]← 0;π[s]← nil;Q ← {s};




La suite

tant que Q 6= ∅ faireu ← tete(Q);pour chaque sommet v ∈ Adj[u] faire

si couleur [v ] = b alorsπ[v ]← u;couleur [v ]← g ;d [v ]← d [u] + 1;Enfiler(Q, v);

Defiler(Q);couleur [u]← n;




Exemple

L’algorithme est globalement en O(|S |+ |A|).

r s t u

v w x y

Un graphe a parcourir en largeur

Plus courts chemins depuis s identifies (une arete = 1).




Exemple




Minimum Spanning Tree : MST

Definition (Graphe pondere)

Graphe pondere : pour tout arc ou arete (u, v), on note w(u, v)le poids qui lui est associe. Il s’agit en general d’un entier.

Probleme modelise : connecter plusieurs ≪ composants ≫ ensembleen utilisant le moins de longueur de fils possible.

Un sommet : un composantLe poids d’une arete : longueur de fil.

Definition (Arbre couvrant)

Etant donne un graphe G = (S ,A), un arbre couvrant de G est ungraphe partiel de G qui definit un arbre et qui inclut tous sessommets.

Connecter et minimum de fil : sans cycle simple, donc un arbre.Poids minimum.




Un algorithme glouton

Definition (Algorithme glouton)

Algorithme qui construit un objet en faisant a chaque etape lechoix qui rapporte le plus instantanement.

Definition

Soit un ensemble de sommets T ⊂ S quelconque. On appellecocycle de T , et on note ω(T ), l’ensemble des aretes de A dontune des extremites est dans T et l’autre dans S − T.

Pour tout T ⊂ S , soit e une arete de poids minimum de ω(T ).Alors e ∈ a un MST de G .

Glouton = correct (ici).




Pourquoi la gloutonnerie marche, ici




L’algorithme de Prim

Procedure MST-Prim(G ,w , r )Q ← ensemble des sommets du graphe;pour chaque u ∈ Q faire key [u]← +∞;key [r ]← 0 ; π[r ] = nil;tant que Q 6= ∅ faire

u ← Extrait-Minimum(Q);pour chaque v ∈ Adj [u] faire

si v ∈ Q et w(u, v) < key [v ] alorsπ[v ]← u;key [v ]← w(u, v);




Implementation

File de priorite Q : permet de conserver une liste d’objets avec unepriorite key [u] et un acces aise a l’element le plus prioritaire.

Liste Tas

Construction O(n) O(n)Ajout O(1) O(log(n))key chg. O(1) O(log(n))Extrait-Minimum O(n) O(log n)

Avec un tas (heap) : en O(|S | log |S |+ |A| log |S |) = O(|A| log |S |).

Tas de Fibonacci : complexite amortie en O(1) pour la diminutiond’une key , donc Prim en O(|A|+ |S | log |S |).




Exemple

a

b c d

e

fgh

i14

9

10

7

4

2

1

6

2

78

11

8

4

Un graphe non oriente pondere

Maximum ≡ MinimumHeld et Karp / WSP




Exemple




Plus court chemins

Definition

Etant donne un graphe (oriente), avec une ponderation des arcs w ,on definit le poids d’un chemin c = 〈v0, . . . , vk〉 comme la sommedes poids des arcs qui le constituent.

δ(u, v) =

{

minc chemin de u a v{w(c)} si ∃ chemin de u a v+∞ sinon

Une source, une destination

Une source, toutes destinations

Toutes paires

(min,+) peut se remplacer par (∧,∨), (+, ∗) . . .




Circuits et couts negatifs

Definition (Circuit absorbant)

Un circuit de longueur negative : si un tel circuit existe la distanceminimum entre 2 sommets peut ne pas etre definie.

Poids positifs, graphe quelconque : Dijkstra

Poids quelconques, graphe sans circuit : Bellman-Kalaba

Poids quelconques mais sans circuit absorbant :Belmann-Ford-Moore.

Plus court 6≡ Plus long !




Propriete de Bellman

≪ Tout sous-chemin d’un chemin optimal est aussi un cheminoptimal ≫

Pour connaıtre la longueur ℓ du plus court chemin de Toulouse aLille, il suffit par exemple de connaıtre la longueur d’un plus courtchemin ℓi de Toulouse aux villes i reliees directement a Lille et dechoisir d’aller vers la ville i∗ qui minimise la somme ℓi +w(i ,Lille).




Arborescence des PCC

Definition (Arborescence des PCC de racine s)

Un sous-graphe oriente G ′ = (S ′,A′), ou S ′ ⊆ S et A′ ⊆ A :

1 S ′ est l’ensemble des sommets accessibles a partir de s dansG ,

2 G ′ forme une arborescence de racine s,

3 pour tout v ∈ S ′, le chemin de s a v dans G ′ est un pluscourt chemin de s vers v dans G .

π[u] : predecesseur de u par lequel passer si l’on veut aller de s a u.

10

5

2 3

1

9

7

2

4 60

8

5

s

u v

x y7

9




Les procedures de base

d [u] : estimation pessimiste du PCC de s a u.

Procedure Initialisation-PCC(G , s)pour chaque sommet v de G faire

d [v ]← +∞;π[v ]← nil;

d [s]← 0;

Amelioration eventuelle de l’estimation de la distance de s a v .;Procedure Relaxation(u, v ,w)

si d [v ] > d [u] + w(u, v) alorsd [v ]← d [u] + w(u, v);π[v ]← u;




Quelques proprietes fondamentales

Propriete (Inegalite triangulaire)

Pour tout arc (u, v) ∈ A, on a δ(s, v) ≤ δ(s, u) + w(u, v).

Propriete (Propriete du majorant)

On a toujours d [v ] ≥ δ(s, v) pour tous les sommets v ∈ S, et unefois que d [v ] a atteint la valeur δ(s, v), elle ne change plus.

Propriete (Propriete aucun-chemin)

S’il n’y a pas de chemin de s a v , alors d [v ] = δ(s, v) = +∞.

Propriete (Propriete de convergence)

Si s u → v est un plus court chemin dans G pour un certainu, v ∈ S et si d [u] = δ(s, u) a un certain instant anterieur aurelachement de l’arc (u, v), alors d [v ] = δ(s, v) en permanenceapres le relachement.




Quelques proprietes fondamentales

Propriete (Propriete de relachement de chemin)

Si p = 〈v0, v1, . . . , vk〉 est un pcc de s = v0 a vk et si les arcs de psont relaches dans l’ordre (v0, v1), (v1, v2), . . . (vk−1, vk), alorsd [vk ] = δ(s, vk). Cette propriete est vraie independamment detoutes autres etapes de relachement susceptibles de se produire,meme si elles s’entremelent avec des relachements d’arcs de p.

Propriete (Propriete de sous-graphe predecesseur)

Une fois que d [v ] = δ(s, v) pour tout v ∈ S, le sous-graphepredecesseur est une arborescence de ppc de racine s.




Belmann-Ford-Moore

Procedure Bellman-Ford(G ,w , s)Initialisation-PCC(G , s);pour chaque i ← 1 a |S | − 1 faire

pour chaque (u, v) ∈ A faireRelaxation(u, v ,w);

pour chaque (u, v) ∈ A fairesi d [v ] > d [u] + w(u, v) alors

retourner faux ;

retourner vrai ;




Exemple




Complexite

1 L’initialisation est en θ(|S |).




Complexite


2 La boucle principale s’execute O(|S |) sur A




Complexite



3 La boucle finale s’execute en O(|A|)




Complexite



3 La boucle finale s’execute en O(|A|)

L’algorithme est en O(|S ||A|).




Correction

Si le graphe n’a pas de circuit absorbant.

1 Soit p = 〈v0, v1, . . . , vk〉, ou v0 = s et vk = v , un plus courtchemin elementaire de s a v .




Correction



2 p a au plus |S | − 1 arcs.




Correction




3 A chaque iteration i de la boucle, l’arc (vi−1, vi ) est relaxedonc d [v ] = δ(s, v).




Correction




3 A chaque iteration i de la boucle, l’arc (vi−1, vi ) est relaxedonc d [v ] = δ(s, v).

4 l’algorithme retourne vrai par inegalite triangulaire.




Correction (2)

Si le graphe contient un circuit absorbant 〈v0, v1, . . . , vk〉accessible depuis v0 = vk = s et retourne vrai .

1 Pour tout i = 1, . . . , k , on a d [vi ] ≤ d [vi−1] + w(vi−1, vi )




Correction (2)



2 Sommons toutes ces inegalites. On a :

k∑

i=1

d [vi ] ≤k

∑

i=1

d [vi−1] +

k∑

i=1

w(vi−1, vi )




Correction (2)




k∑

i=1

d [vi ] ≤k

∑

i=1

d [vi−1] +

k∑

i=1

w(vi−1, vi )

3 mais c’est un circuit donc

k∑

i=1

d [vi−1] =

k∑

i=1

d [vi ]




Correction (2)




k∑

i=1

d [vi ] ≤k

∑

i=1

d [vi−1] +

k∑

i=1

w(vi−1, vi )

3 mais c’est un circuit donc

k∑

i=1

d [vi−1] =

k∑

i=1

d [vi ]

4 donc∑k

i=1 w(vi−1, vi ) ≥ 0. Impossible.




Dijkstra

Cas de graphes avec des poids tous positifs ou nuls.

1 Maintient un ensemble V de sommets pour lesquelsl’estimation d [·] est correcte (egale a δ(s, ·))




Dijkstra



2 Selectionne un sommet u de S − V dont l’estimation d [u] estla plus faible.




Dijkstra




3 L’insere dans V




Dijkstra




3 L’insere dans V

4 Relache tous les arcs qui quittent u




Dijkstra

Dijkstra(G ,w , s);Initialisation-PCC(G , s);V ← ∅;Q ← S ;tant que Q 6= ∅ faire

u ← Extrait-Minimum(Q);pour chaque sommet v ∈ Adj[u] faire

Relaxation(u, v ,w);

V ← V ∪ {u};




Dijkstra : correction

Lorsqu’un sommet u est insere dans V , d [u] = δ(s, u). Parl’absurde.

1 Soit u le premier sommet insere dans V tel que d [u] 6= δ(s, u).







2 u 6= s donc V non vide.








3 il y a un chemin de s a u (sinon d [u] =∞ = δ[s, u])









4 donc un plus court chemin de s a u.









4 donc un plus court chemin de s a u.

5 Soit y le premier sommet de ce pcc qui n’est pas dans V et xson predecesseur dans V .




Dijkstra

s

u

y

x

V

Mise a jour des sommets de V




Dijkstra

1 d [x ] = δ(s, x)




Dijkstra

1 d [x ] = δ(s, x)

2 d [y ] = δ(s, y) (plus court chemin et relaxation).




Dijkstra

1 d [x ] = δ(s, x)


3 Poids positifs : d [y ] = δ(s, y) ≤ δ(s, u) ≤ d [u]




Dijkstra

1 d [x ] = δ(s, x)



4 u de poids minimum donc d [u] ≤ d [y ]




Dijkstra

1 d [x ] = δ(s, x)




5 donc d [y ] = δ(s, y) = δ(s, u) = d [u]




Dijkstra

1 d [x ] = δ(s, x)




5 donc d [y ] = δ(s, y) = δ(s, u) = d [u]

Impossible puisque d [u] 6= δ(s, u).




Un exemple

10

5

2 3

1

9

7

2

4 60

8

5

s

u v

x y7

9

Arbre des plus courts chemins, en italique les δ(s, u).




Un exemple

Arbre des plus courts chemins, dans les sommets δ(s, u).




Complexite

On utilise une file de priorite.

|S | appels a Extrait-Minimum




Complexite



Chaque Adj[·] explore




Complexite




En O(|S |2 + |A|) (file = tableau non trie)




Complexite





En O(|S |+ |A|. log(|S |)) (Tas),




Complexite





En O(|S |+ |A|. log(|S |)) (Tas),

en O(|S |. log(|S |) + |A|) (Tas de Fibonacci).




Bellman-Kalaba

Adapte aux graphes orientes sans circuit (DAG). Poids de signesquelconques.

1 Pas de circuit, donc tri topologique possible depuis s.




Bellman-Kalaba



2 Un chemin de s a u respecte l’ordre du tri.




Bellman-Kalaba



2 Un chemin de s a u respecte l’ordre du tri.

3 Il suffit de connaıtre la longueur d’un PCC de s auxpredecesseurs de u (inductivement).




Exemple

GOSC-PlusCourt(G ,w , s);Tri-Topologique(G );Initialisation-PCC(G , s);pour chaque sommet u de G pris dans l’ordre du tri topologiquefaire

pour chaque sommet v ∈ Adj[u] faireRelaxation(u, v ,w);

En θ(|S |+ |A|).




Exemple

5

3

2

6

7 -1

1

-2sr t u v x

0 2

4

2

6 5 3

Un GOSC, un arbre des plus courts chemins.




Exemple

Omnipresent : Algorithme de Viterbi, de Needleman et Wunsch. . .Thomas Schiex, Simon de Givry Graphes, Algorithmes



Ordonnancement simple

Pour renover une maison, il est prevu de

refaire l’installation electrique (3 jours)

reamenager (5 jours) la salle de bains

de carreler (2 jours) la salle de bains

de refaire le parquet de la salle de sejour (6 jours)

de repeindre les chambres (3 jours).

La peinture et le carrelage ne pourront etre faits qu’apres larefection de l’installation electrique.




La methodes Potentiel/Tache (et PERT)

d f

parquet

ream. SdB carr. SdB

electricite

peinture

6

5

3

3

2

3

0

0

0

Graphe potentiel/taches et chemin critique




Les dates importantes

date de debut au plus tot de chaque tache : longueur d’unplus long chemin de la source d a chacun des sommets

chemins critiques : chemins les plus longs de d a f .

date de debut au plus tard : duree globale moins la longueurd’un plus long chemin de f a la tache.

marge totale d’une tache : difference entre sa date de debutau plus tot et sa date de debut au plus tard




Exemple

Taches debut au debut au margeplus tot plus tard totale

parquet 0 1 1ream. SdB 0 0 0carr. SdB 5 5 0electricite 0 1 1peinture 3 4 1

��

��

��

��

��

��

0 1 2 3 4 5 6 7

electricite

ream. SdB carr. SdB

parquet

peinture




Exemples d’utilisation de ces algorithmes

1 Bellman-Kalaba : Chaıne de Markov cachees et Viterbi.

2 Bellman-Kalaba : Alignement de sequences d’ADN etNeedleman et Wunsch.

3 Prim/Kruskal et MST : k-clustering.




Couplages

On doit affecter un certain nombre de cours a un certain nombred’enseignants.

Chaque enseignant est qualifie dans certaines disciplines.

On desire attribuer un cours a chaque enseignant de tel faconqu’un meme enseignement ne soit pas affecte a deuxprofesseurs differents, et vice-versa.

S’il n’est pas possible de satisfaire tous les enseignants, onveut satisfaire le maximum d’entre eux.




Graphe biparti

Definition (Graphe biparti)

Un graphe non oriente G = (S ,A) est biparti si S = S1 ∪ S2,S1 ∩ S2 = ∅, s’il n’existe pas d’arete entre les sommets de S1 et s’iln’existe pas d’arete entre les sommets de S2.




Couplage

Definition

Etant donne un graphe non oriente G = (S ,A), un couplage sur Gest forme d’un ensemble d’aretes C tel qu’aucune paire d’aretes deC ne partage un sommet commun.

La taille du couplage est le nombre d’aretes de C.

Le couplage est parfait si tous les sommets du graphe sontcouverts par le couplage.

Objectif : trouver un couplage de taille maximum (≤ ⌊ |S|2 ⌋)




Exemple

c1

c2

c3

c4

c5

c6

e1

e2

e3

e4

e5

e6Un graphe biparti




Exemple

c1

c2

c3

c4

c5

c6

e1

e2

e3

e4

e5

e6Un graphe biparti et un couplage maximum (parfait)




Terminologie

Soit C ⊂ A un couplage de G .

un sommet s ∈ S est sature si c’est l’extremite d’une arete deC . Sinon, insature.

Une chaıne dans laquelle une arete sur deux est dans C et lesautres dans A− C est dite alternee.

Une chaıne alternee est dite ameliorante si elle relie deuxsommets insatures a ses extremites (longueur impaire).




Theoreme de Berge

Theoreme

Un couplage C est maximum si et seulement s’il n’existe pas dechaıne alternee ameliorante relativement a C .




Chaıne ameliorante : suffisant

A partir d’un couplage C et d’une chaıne ameliorante CA :on ameliore le couplage (de 1) par “ou exclusif” ⊕ (suppressiondans C des aretes C ∩ CA et ajout des aretes CA\(C ∩ CA)).

c1

c2

c3

c4

c5

c6

e1

e2

e3

e4

e5

e6

c2

c4

c6

e1

e2

e5

c1

c2

c3

c4

c5

c6

e1

e2

e3

e4

e5

e6




Chaıne ameliorante : necessaire

Soit C et D, 2 couplages de G , |C | < |D| et G ′ = (S ,C ⊕ D).

C et D sont deux couplages : chaque sommet de S est l’extremited’au plus une arete de C et d’au plus une arete de D.

Une composante connexe de G ′ est une chaıne simple (event. uncycle) dont une arete sur deux est dans C et les autres dans D.

Comme |C | < |D|, C ⊕ D contient plus d’aretes de D que de C .Les cycles : autant d’aretes de C que de D ⇒ G ′ a une chaıne quin’est pas un cycle, avec plus d’aretes de D que de C : c’est unechaıne ameliorante.




Algorithme des chaınes ameliorantes (algorithmed’Hopcroft-Karp)

On peut chercher les chaınes ameliorantes en parcourant le graphebiparti en alternant le parcours d’aretes hors et dans C a partir dessommets insatures de S1.

=⇒ Construction du graphe des chaınes ameliorantes par unparcours en largeur

Au plus il y a ⌊ |S|2 ⌋ chaınes ameliorantes.

Complexite (majorant) de l’algorithme en O(|S |.|A|)




Algorithme d’Hopcroft-Karp

Entree : Un graphe biparti G = (S1 ∪ S2,A)Sortie : Un couplage maximal C/* initialisation */

anciennetaille = -1 ;C = ∅ ;/* traitement */

Tant que anciennetaille 6=|C | fairemm anciennetaille = |C | ;mm orienter le graphe (S1 vers S2, excepte pour C , ordre inverse) ;mm Pour tout u ∈ S1 tel que u 6∈ C fairemmmmm Si ∃ v ∈ S2 connecte a u par un chemin tel que v 6∈ C alorsmmmmmmmm chemin = chemin ameliorant de u vers v ;mmmmmmmm C = C ⊕ chemin ;Retourner C





A

B

C

D

E

F

G

. C={ }





A

B

C

D

E

F

G

. C={ }

A

D

B

E





A

B

C

D

E

F

G

. C={(A,D) }

A

D

B

E





A

B

C

D

E

F

G

. C={(A,D) }

B

D





A

B

C

D

E

F

G

. C={(A,D) }

C

F G





A

B

C

D

E

F

G

. C={(A,D) (C,F) }

C

F G





A

B

C

D

E

F

G

. C={(A,D) (C,F) }





A

B

C

D

E

F

G

. C={(A,D) (C,F) }

B

D

A

E





A

B

C

D

E

F

G

. C={(A,D) (C,F) (B,D) }

B

D

A

E





A

B

C

D

E

F

G

. C={ (C,F) (B,D) }

B

D

A

E





A

B

C

D

E

F

G

. C={ (C,F) (B,D) (A,E)}

B

D

A

E





A

B

C

D

E

F

G

. C={ (C,F) (B,D) (A,E)}




Exemple

c1

c2

c3

c4

c5

c6

e1

e2

e3

e4

e5

e6Thomas Schiex, Simon de Givry Graphes, Algorithmes



Exemple

e1

e2

e3

e4

e5

e1

e2

e3

e4

e5

c1

c2

c3

c5

c4

c1

c2

c3

c5

c4

c1

c2

c3

c5

c4

e1

e2

e3

e4

e5

Un couplage, chaıne ameliorante, couplage ameliore




Finalement. . .

A chaque iteration, la taille du plus court chemin augmente de 1.

A l’iteration√

|S |, il y a au plus√

|S | chemins ameliorants detaille superieure a

√

|S |.

Algorithme de Hopcroft et Karp : complexite en O(√

|S |.|A|)

Extensions possibles : couplages ponderes, graphes quelconques




Exercice : probleme du Sudoku

9 8 7 4 2

9 6

6 8 4 9

5 8 3 4

6 3 7

3 5 2 8

6 3 7 9

2 7 5 6




Solution : probleme du Sudoku

Probleme Sudoku NP-complet.

Modelisation par 27 graphes bipartis.

Test si aucune solution n’existe :taille d’un couplage maximum < |X |

Suppression des valeurs n’appartenant a aucune solution :retrait des sommets xi ,a et test d’existence d’un couplage couvrantX − xi .=⇒ complexite O(|A|2)

Possibilite d’ameliorer la complexite en O(|A|) (Regin, 1994).




Filtragedesdomaines

��

��

��

��

��

��

�

�

�

�

�

�

�

��

��

��

��

��

��

�

�

�

�

�

�

�

Uncouplagecouvrantl’ensembledesvariablesetleresultatdufiltrage

ThomasSchiex,SimondeGivryGraphes,Algorithmes



Theoreme de Hall

Theoreme

Un graphe biparti G = (S1 ∪ S2,A) admet un couplage parfait si etseulement si pour tout sous-ensemble X de S1 (de S2,respectivement), le nombre de sommets de S2 (de S1,respectivement) adjacents a un sommet de X est superieur ou egala la cardinalite de X .




Autre probleme : transport

Une entreprise a une usine de grues au sommet s et un entrepot ausommet t.

Le transport des grues qu’elle fabrique necessitent l’utilisation deconvois exceptionnels. Un ensemble de routes existent entre lessommets s et t chaque route permettant un certain nombre detransports exceptionnels par mois.

L’entreprise aimerait ajuster sa production mensuelle de facon aproduire exactement le maximum d’objets qu’elle peut transporterdans son entrepot chaque mois.




La notion de reseau

Un reseau ou graphe de transport est :

un graphe oriente G = (S ,A) pondere par c(u, v) appeleecapacite de l’arc (u, v), toujours positive ou nulle.

deux sommets particuliers : s et t (respectivement source etpuits).

Pour toute paire de sommets (u, v), si (u, v) 6∈ A, on etendc(u, v) = 0.

Par commodite, on suppose que chaque sommet se trouve sur uncertain chemin reliant la source au puits.




Ce que l’on cherche

Un flot net sur ce graphe est une ponderation f des arcs du graphequi :

Respect des capacites : f (u, v) ≤ c(u, v)

Symetrie : pour tout u, v ∈ S , f (u, v) = −f (v , u)

Conservation des flots : pour tous les sommetsu ∈ S − {s, t},

∑

v∈S f (u, v) = 0 (tout ce qui rentre dans unsommet en sort).

Valeur d’un flot f , notee |f | =∑

v∈S f (s, v)

Analogie avec un flot de materiau (liquide, electricite,communication). capacite = debit maximal.

Objectif : trouver un flot de valeur maximum.




La bonne idee

Definition

Capacite residuelle : cf (u, v) = c(u, v)− f (u, v)(toujours positive ou nulle, par definition).

Reseau residuel : Gf = (S ,Af ) avecAf = {(u, v) ∈ S × S : cf (u, v) > 0}

6

3

4

2

7




Exemple : flot, reseau residuel, chemin ameliorant

11/16

8/13

12/12

10 1/4 4/9

11/14

15/20

7/7

4/4

11/16

12/12

10 1/4

11/14

7/7

4/412/13

9

19/20 5

11

11 3

12

3

11

7

412

1

9

119

5

11

8

11 3

12

4

5

3

11

7

515

45

s

v1

v2

v3

v4

t

s

v1

v2

v3

v4

t s

v1

v2

v3

v4

t

s

v1

v2

v3

v4

t




Methode de Ford-Fulkerson

Procedure FordFulkerson(G , s, t)pour chaque arc (u, v) ∈ A faire

f [u, v ]← 0;f [v , u]← 0;

tant que ∃ un chemin p de s vers t dans le reseau residuelfaire

cp ← min{cf (u, v) : (u, v) ∈ p};pour chaque arc (u, v) de p faire

f [u, v ]← f [u, v ] + cp;f [v , u]← −f [u, v ];




Theoreme de Ford-Fulkerson

Theoreme

Soit G un reseau de source s et de puits t.

Un flot f est maximum si et seulement s’il n’existe pas de cheminameliorant dans le reseau residuel Gf .

La valeur du flot maximum est egale a une coupe de capaciteminimum dans G.




Notation ensembliste et proprietes sur les flots

Definition

Notation de sommation implicite :

f (U,V ) =∑

u∈U

∑

v∈V

f (u, v)

Conservation des flots : ∀u ∈ S \ {s, t}, f (u,S) = 0.Valeur du flot |f | = f (s,S) = f (S , t).

Propriete

pour tout U ⊆ S, on a f (U,U) = 0.

pour tout U,V ⊆ S, on a f (U,V ) = −f (V ,U).

pour U,V ,W ⊆ S et U ∩ V = ∅, alorsf (U ∪ V ,W ) = f (U,W ) + f (V ,W )f (W ,U ∪ V ) = f (W ,U) + f (W ,V )




Coupe d’un reseau

Definition

Une coupe (E ,T ) d’un reseau de transport G = (S ,A) est unepartition de S en E et T = S − E telle que s ∈ E et t ∈ T.

Capacite de la coupe : c(E ,T ) =∑

(u,v)∈A:u∈E ,v∈T c(u, v)

Theoreme

Pour toute coupe (E ,T ) et tout flot f ,

|f | ≤ c(E ,T )

Preuve par recurrence : f (E ,T ) = |f |. Si |E | = 1, c’est immediat.Par recurrence, soit e un element pris dans T \ {s, t} et mis dansE . On a f (E ∪ e,T − e) = f (E ,T )− f (E , e) + f (e,T ) =f (E ,T ) + f (e,S) = f (E ,T ). Par definition, f (E ,T ) ≤ c(E ,T ).




Coupe d’un reseau




Preuve du Theoreme de Ford-Fulkerson

Theoreme

f ∗ ≡ 6 ∃ chemin ameliorant dans Gf ≡ ∃ c(E ,T ) = |f ∗|

Preuve :Hypothese f flot maximum. Si Gf contient un chemin ameliorantalors on peut ameliorer le flot f ce qui contredit l’hypothese.Hypothese Gf ne contient pas de chemin ameliorant.Soit (E ,T ) une coupe telle queE = {v ∈ S : ∃ chemin s v ∈ Gf } et T = S − E .∀(u, v) ∈ E × T , f (u, v) = c(u, v) (sinon une capaciteresiduelle non nulle existe entre u et v et v ∈ E ).=⇒ |f | = f (E ,T ) = c(E ,T ).Or |f | ≤ c(E ′,T ′) quelque soit la coupe (theoreme precedent),donc f est forcement maximum.




FF peut etre lent

Complexite de l’algorithme en O(|f ∗|.|A|) ou f ∗ est la valeur duflot maximum et ce pour des capacites entieres (theoreme del’integralite de |f |).

11

1

11 999 999

999 999

999 999

999 999

1 1

1 000 000

1 000 000

1 000 000

1 000 000

1 000 000 999 999

999 9991 000 000

Un reseau difficile pour Ford-Fulkerson : reseau initial et reseauxresiduels successifs

Edmonds-Karp : O(|S |.|A|2) (FF avec recherche en largeur du pluscourt chemin ameliorant).

Goldberg et Tarjan : O(|S |.|A|. log( |S|2

|A| ))http://www.boost.org/libs/graph/


http://www.boost.org/libs/graph/



Preuve de complexite d’Edmonds-Karp

Theoreme

∀v ∈ S − {s, t}, la distance de plus court chemin δf (s, v) dans Gf

augmente de facon monotone apres chaque augmentation de flot.

Preuve par l’absurde : ∃v ∈ S \ {s, t} tel qu’une augmentation de flot def a f ′ provoque δf ′(s, v) < δf (s, v).On suppose que δf ′(s, v) ≤ δf ′(s, u) pour tout u ∈ S \ {s, t} tel queδf ′(s, u) < δf (s, u) (ie. v le plus proche de s). Sa contraposee donne :δf ′(s, u) < δf ′(s, v) =⇒ δf (s, u) ≤ δf ′(s, u).Soit p′ = s u → v , un plus court chemin de s a v dans Gf ′ . On a(u, v) ∈ Af ′ et δf ′(s, u) = δf ′(s, v)− 1.Par la contraposee, on a δf (s, u) ≤ δf ′(s, u).Cas (u, v) ∈ Af . Alors δf (s, v) ≤ δf (s, u) + 1 (inegalite triangulaire).Donc δf (s, v) ≤ δf ′(s, u) + 1 ≤ δf ′(s, v). Contradiction.

Cas (u, v) 6∈ Af . Il faut un plus court chemin p dans Gf ayant augmente

f (v , u). δf (s, v) = δf (s, u)− 1 ≤ δf ′(s, u)− 1 ≤ δf ′(s, v)− 2 < δf ′(s, v).

Contradiction.




Preuve de complexite d’Edmonds-Karp

Theoreme

L’algorithme d’Edmonds-Karp effectue un nombre totald’augmentations en O(|S |.|A|).

Definition : arc (u, v) critique sur un chemin ameliorant p de Gf sicf (p) = cf (u, v).=⇒ tout arc critique disparait apres avoir augmente le flot=⇒ il existe au moins un arc critique par chemin ameliorant

Preuve : chacun des 2.|A| arcs peut devenir critique au plus |S |/2− 1 fois.Soit (u, v) ∈ A. Lorsque (u, v) devient critique, on aδf (s, v) = δf (s, u) + 1 car (u, v) appartient a un plus court chemin.Ensuite (u, v) reapparaıtra ssi (v , u) ∈ p′, chemin ameliorant de Gf ′ .On a δf ′(s, u) = δf ′(s, v) + 1 ≥ δf (s, v) + 1 ≥ δf (s, u) + 2 (cf. theoremeprecedent).

Donc la distance entre u et la source augmente au moins de 2 entre deux

moments critiques et ne peut pas depasser |S | − 2. Ainsi (u, v) ne devient

critique au plus |S |/2− 1 fois.




Cas d’un probleme a sources et puits multiples

��

��

��

�

�

�

��

�

�

��

�

��

��

��

��

��

�

�

�

��

�

�

��

�

��

��

��

∞ ∞

∞

∞

∞

∞

∞

∞

��

��

��

� �

��

��

��

��

� �

� �




Cas d’un probleme a capacites sur les sommets

cu cu




Cas d’un probleme avec demandes et capacites




Methode de Ford-Fulkerson avec demandes etcapacites

Si la demande d(u, v) est non nulle et une unite de flot passe dans(u, v), alors diminuer d(u, v) et c(u, v) de 1 dans le reseauresiduel.

s

B

A D

C

t

(0,1)

(1,2)

(0,1)(0,1)

(1,2)

(0,1)

(1,2)

(2,2)






s

B

A D

C

t

(1,2)

(0,1)(0,1)

(1,2)

(0,1)

(1,2)

(2,2)(0,1)






s

B

A D

C

t

(1,2)

(0,1)

(1,2)

(0,1)

(1,2)

(2,2)(0,1)

(0,1)






s

B

A D

C

t

(1,2)

(0,1)

(1,2)

(0,1)

(1,2)

(0,1)

(0,1)

(1,1)






s

B

A D

C

t(0,1)

(1,2)

(0,1)

(1,2)

(0,1)

(0,1)

(1,1)

(0,1)






s

B

A D

C

t

(1,2)

(0,1)

(1,2)

(0,1)

(0,1)

(1,1)

(0,1)

(0,1)






s

B

A D

C

t

(1,2)

(0,1)

(1,2)

(0,1)

(0,1)

(0,1)

(0,1)






s

B

A D

C

t

(1,2)

(0,1)

(1,2)

(0,1)

(0,1)(0,1)






s

B

A D

C

t(0,1)

(1,2)

(0,1)

(0,1)(0,1)

(0,1)






s

B

A D

C

t(0,1)

(0,1)

(0,1)(0,1)

(0,1)

(0,1)




Exercice : probleme du centre aere

Un centre aere propose un ensemble d’activites encadrees par desmoniteurs agrees. Realiser le planning des moniteurs pour satisfaireles contraintes d’encadrement enoncees ci-dessous.

��

��

��




Solution : probleme du centre aere

��

��

��




Exercice : probleme de fermeture de beneficemaximal

Un certain nombre de taches j ∈ J avec un benefice associe b(j)sont definies. Le benefice peut etre negatif (une perte).

Les taches sont soumises a des contraintes de fermeture : le choixd’une tache j1 peut impliquer le choix d’une tache j2. On representecette relation dite de fermeture (ou implication) par un graphedont les sommets sont les taches, et ou il existe un arc (j1, j2) si etseulement si le le choix de j1 implique le choix de j2. L’objectif estde trouver un ensemble de taches coherentes (respectant lescontraintes) et de benefices maximal. Plus formellement :

Determiner un sous ensemble U ⊂ J tel que (1) aucun arc ne sortede U (coherence) et (2)

∑

j∈U b(j) soit maximum.

Exercice : modeliser ce probleme par un graphe de transport telqu’un flot maximum (ou une coupe minimum) dans ce graphedonne une solution optimale du probleme.




Solution : fermeture de benefice maximal

Reseau dont les sommets sont les taches plus source s et puits t.

Cas b(j) ≥ 0, ajouter l’arc (s, j) de capacite b(j)

Cas b(j) < 0, ajouter l’arc (j , t) de capacite −b(j)

Cas j1 =⇒ j2, ajouter l’arc (j1, j2) avec une capacite infinie

Soit (E ,T ), coupe de capacite finie, donc coherente.Soit H+ = {j ∈ H : b(t) ≥ 0} et H− = {j ∈ H : b(t) < 0} ∀H ⊆ J

c(E ,T ) =∑

j∈T+

c(s, j) +∑

j∈E−

c(j , t) (1)

=∑

j∈T+

b(j)−∑

j∈E−

b(j) (2)

=∑

j∈J+

b(j)−∑

j∈E+

b(j)−∑

j∈E−

b(j) (3)

=∑

j∈J+

b(j)−∑

j∈E

b(j) (4)

Minimiser la coupe ≡ maximiser le benefice de E (∑

j∈J+ b(j) constant)




Lien entre couplage maximum dans un graphebiparti et flot maximum

� � � �

� �

��

Complexite de Ford-Fulkerson sur un graphe biparti en O(|S |.|A|)

car f ∗ ≤ |S|2 .




Flot maximum de cout minimum

Reseau G = (S ,A) pondere pour chaque arc (u, v) ∈ A par :

une capacite c(u, v)

un cout de transport unitaire w(u, v)

Un flot brut (perte de la symetrie si w(u, v) 6= w(v , u)) sur cegraphe est une ponderation g des arcs du graphe qui :

Respect des capacites : g(u, v) ≤ c(u, v)

Conservation des flots :∀u ∈ S − {s, t},

∑

(u,v)∈A g(u, v) =∑

(v ,u)∈A g(v , u)

Cout total d’un flot g , note K =∑

(u,v)∈A w(u, v).g(u, v)

Objectif : parmi les flots de valeur maximum, trouver celui de coutminimum




Graphe des capacites residuelles

Definition

Soit un reseau G = (S ,A) de capacite c et de cout w et un flotbrut g sur G .Le graphe des capacites residuelles avec couts Gg = (S ,Ag ) telque :

(u, v) ∈ A tel que g(u, v) < c(u, v) =⇒ (u, v)+ ∈ Ag aveccg (u, v) = c(u, v)− g(u, v) et wg (u, v) = w(u, v)(appele arc avant)

(u, v) ∈ A tel que g(u, v) > 0 =⇒ (v , u)− ∈ Ag aveccg (v , u) = g(u, v) et wg (v , u) = −w(u, v)(appele arc inverse)

Chemin ameliorant p de s a t dans Gg :augmenter le flot de cg (p) = min(u,v)∈p cg (u, v) sur chaque arcavant de p et diminuer de cg (p) sur chaque arc inverse.=⇒ cout du flot augmente de wg (p) = cg (p)× longueur duchemin p




Circuit de cout strictement negatif

Theoreme

Un flot brut g de valeur |g | est de cout minimum parmi tous lesflots de valeur |g | ssi il n’existe pas un circuit negatif dans Gg .

Preuve par la contraposee ( =⇒ ) : S’il existe un circuit negatif c dansGg , modifier le flot g selon ce circuit en augmentant g de 1 le long desarcs avant du circuit et en le diminuant de 1 pour les arcs inverses.

=⇒ valeur du flot inchangee et cout diminue de wg (c).

Deux approches possibles :

1 Partir d’un flot d’une valeur desiree et le rendre minimum ensupprimant progressivement les circuits negatifs paraugmentation locale du flot dans les circuits.

2 Construire une serie de flots de valeurs croissantes, mais tousde cout minimum pour leur valeur (sans circuit negatif).




Algorithme de Busacker et Gowen

Procedure BusackerGowen(G , s, t, c ,w)F ← 0;W ← 0;pour chaque arc (u, v) ∈ A faire

g [u, v ]← 0;

tant que ∃ un chemin p de cout minimum z de s a t dans Gg

fairecp ← min{cg (u, v) : (u, v) ∈ p};F ← F + cp ;W ← W + cp .z ;pour chaque arc avant (u, v)+ de p faire

g [u, v ]← g [u, v ] + cp ;

pour chaque arc inverse (u, v)− de p faireg [v , u]← g [v , u]− cp ;




Exercice




Preuve de correction de Busacker et Gowen

Theoreme

A chacune des iterations, le flot courant est de cout minimumparmi tous ceux de valeur F .

Preuve par recurrence sur la valeur du flot : Vrai pour un flot nul.Soit un flot g de cout minimum et un chemin ameliorant π de coutminimum conduisant a un flot g ′ sous-optimal.Donc il existe un circuit negatif ρ dans Gg ′ (et pas dans Gg ) passant par(i , j) tel que (j , i) ∈ π.




Suite de la preuve de Busacker et Gowen

Soit π′ = {(u, v) ∈ π : (v , u) ∈ ρ} et ρ′ = {(v , u) ∈ ρ : (u, v) ∈ π}.Alors θ = (π − π′) ∪ (ρ− ρ′) forme un chemin de s a t et une union decircuits (cas |π′| pair) dans Gg ′ et Gg .Ces circuits sont forcement de couts positifs (dans Gg ).On a w(π′) = −w(ρ′) par construction de Gg ′ , doncw(θ) = w(π) + w(ρ).Puisque w(ρ) < 0 alors w(θ) < w(π).Donc il existe un chemin de cout inferieur a π dans Gg . Contradiction !




Complexite de l’algorithme de Busacker et Gowen

Soit B = max(u,v)∈A c(u, v) la capacite maximale du reseau.

Alors la capacite de toute coupe est au plus de n = B .|S |=⇒ au plus n iterations si cp = 1 pour tous les plus courtschemins trouves.

Calculer un chemin de cout minimal en presence de couts negatifs(mais pas de circuit negatif) dans le graphe residuel : algorithmede Bellman-Ford-Moore en O(|S |.|A|)

Donc complexite de Busacker et Gowen : O(|S |2.|A|.B)(pseudo-polynomial)

Goldberg et Tarjan : O(|S |2.|A|3. log2(|S |))Orlin : O(|A|. log(|S |).(|A| + |S |. log |S |))




Exercice : probleme de transport par cargo

Une petite entreprise de transport utilise un bateau qui est capablede transporter r unites d’un bien donne. Le bateau suit une longueroute avec plusieurs arrets entre le debut et la fin de son voyage. Achacun de ces ports, il est possible de decharger et de rechargerdes unites.

Chaque port i a une quantite bij a transporter vers le port j > i(les ports sont numerotes dans l’ordre de leur visite). Soit fij lerevenu obtenu en transportant un container de i a j .

Le but de l’entreprise est de decider combien de containers il fautcharger a chaque port de facon a maximiser son revenu et sansdepasser la capacite du bateau.

Modeliser ce probleme sous forme d’un reseau de transport aveccouts.




Solution




Lien entre probleme d’affectation, couplage parfaitpondere et flot maximum de cout minimum

Definition

Soit un graphe biparti G = (S1 ∪ S2,A) pondere pour chaque arete(u, v) ∈ A par un cout w(u, v) et tel que |S1| = |S2| = n. Leprobleme d’affectation consiste a trouver un couplage parfait C decout minimum w(C ) =

∑

(u,v)∈C w(u, v).

� � � �

� �

��

��

��

��

Busacker et Gowen : O(n4) ; algorithme Hongrois : O(n3)Thomas Schiex, Simon de Givry Graphes, Algorithmes



Probleme du voyageur de commerce

Un representant de commerce ou VRP souhaite faire une tourneeen visitant n villes, chacune exactement une fois, et en terminantsa tournee dans la ville de depart.

World Challenge : 1.904.711 villesThomas Schiex, Simon de Givry Graphes, Algorithmes



Probleme du voyageur de commerce symetrique

Definition

Soit G = (S ,A) un graphe non-oriente simple et complet ponderepar une distance c(u, v)

On a |S | = n et |A| = n(n−1)2 .

Cycle hamiltonien : cycle elementaire de G qui contient chaquesommet de S.

Objectif : Trouver un cycle hamiltonien ou tour de longueurminimum.

Le probleme du voyageur de commerce est NP-difficile.

Remarque : tester l’existence d’un cycle hamiltonien dans ungraphe quelconque est NP-complet

Remarque : tester l’existence d’un cycle eulerien (cycle simple de Gqui contient chaque arete de A) est polynomial (sommets tous dedegre pair)




Algorithme de separation et evaluation

Fonction Branch-and-Bound(VRP : (G , c))Construire un tour H approche;U ← c(H) /* majorant initial */;Q ← {G};tant que Q 6= ∅ faire

Gi ← Extrait(Q);/* Resout une relaxation du sous-probleme Gi */;Li = optimum d’une relaxation de Gi ;si Li < U alors

si la solution relaxee est un tour alorsU ← Li /* optimum de Gi */;

sinon/* Regle de branchement (partition de problemesplus contraints en restreignant les aretes possiblesde Ai) */;Q ← Q ∪ {Gi1 , . . . ,Giq};

sinonThomas Schiex, Simon de Givry Graphes, Algorithmes



Relaxation : probleme d’affectation

Propriete

Soit (G = (S ,A), c) un probleme VRP de longueur minimum V ∗.

Le probleme d’affectation pour le graphe biparti S1 = S et S2 = Spondere par c (c(u, u) = +∞) a une solution optimale composeeuniquement de cycles. Son optimum est donc toujours inferieur ouegal a V ∗. C’est une (bonne) relaxation du VRP.

Il y a n! solutions au probleme d’affectation et (n − 1)! sont destours.




Relaxation d’Held-Karp

Propriete

Le probleme d’arbre couvrant de longueur minimum plus une aretesupplementaire de longueur minimum est une (mauvaise)relaxation du VRP.

Definition

Soit (G = (S ,A), c) un VRP et u ∈ S. Le probleme d’arbrecouvrant de longueur minimum sur S \ {u} plus deux aretes delongueur minimum entre u et S \ {u} est appele 1−arbre. C’estaussi une relaxation du VRP.





Idee :ajout penalite λu sur chaque sommet en fonction de son degre

Propriete

Le probleme de maximiser selon les parametres λ un 1−arbre T delongueur minimum

∑

(u,v)∈T c(u, v) + λu + λv est une (bonne,meilleure que le probleme d’affectation) relaxation du VRP.

Procedure Subgradient-Optimization(G , c ,U)λ← 0 ; α← 2 ; k ← 0;repeter

Trouve un 1−arbre T de longueur modifiee (λ) minimum ;pour chaque u ∈ S faire

λu ← λu + α.(degre(u) − 2). (U−c(T ))∑v∈S (degre(u)−2)2

;

k ← k + 1;if k modulo Periode = 0 then α← α− ǫ;

jusqu’a (k < kmax) ou (T est un tour) ou (c(T ) ≥ U);





1−arbre initial (a) et 1−arbre ameliore (b) :

(a) L = 21 (U = 25, λ = 0, α = 2) (b) L = 24 = V ∗(λ = (0, 0, 2,−1,−1, 1, 0,−1))




Algorithme d’approximation

Objectif : construire un tour approche.

Fonction Approximation-Tour-VRP(G , c)Choix d’une racine r ∈ S ;Construire un arbre couvrant de longueur minimum T avecMST-Prim(G , c , r);L← Tri-Topologique(T , r), liste des sommets visites lors d’unparcours prefixe (en profondeur d’abord) de T ;retourner cycle hamiltonien visitant les sommets dans l’ordre L

Complexite en O(n2)





� �

� �

�

�

�

�

��

� �

� �

�

�

�

�

��

� �

� �

�

�

�

�

��

� �

� �

�

�

�

�

��

� �

� �

�

�

�

�

��





Definition

Un algorithme d’approximation est un algorithme qui retourne unesolution presque optimale a un probleme donne.

Un algorithme d’approximation a une borne ρ(n) si pour toutprobleme de taille n, la solution produite a une valeur V eloigneed’un facteur ρ(n) de celle V ∗ d’une solution optimale :max( V

V ∗ ,V ∗

V) ≤ ρ(n)

Theoreme

L’algorithme Approximation-Tour-VRP est un algorithmed’approximation ayant une borne egale a 2 pour un problemeverifiant l’inegalite triangulaire (c(u, v) ≤ c(u,w) + c(w , v)).




Preuve de la borne

Soit H∗ une solution optimale et H celle retournee par l’algorithme.

Preuve : on veut prouver que c(H) ≤ 2.c(H∗).

En supprimant une arete de H∗, on obtient un arbre couvrant.Donc c(T ) ≤ c(H∗) pour tout arbre couvrant minimum T .

Soit un parcours complet de T : un chemin W visitant deux fois chaquearete de T (cf. chemin de la Figure (c) precedente).On a c(W ) = 2.c(T ). Donc c(W ) ≤ 2.c(H∗).

Il est possible d’extraire un cycle hamiltonien de W en supprimant les

sommets deja visites dans l’ordre W et sans augmenter la longueur totale

grace a l’inegalite triangulaire. On obtient le cycle H retourne par

l’algorithme. On en deduit c(H) ≤ c(W ) ≤ 2.c(H∗).




Algorithme d’approximation de Christofides

Idee : construire un graphe de degres tous pairs, extraire un cycleeulerien, puis a l’aide de l’inegalite triangulaire en extraire un cyclehamiltonien.

Fonction Christofides(G , c)Choix d’une racine r ∈ S ;Construire un arbre couvrant de longueur minimumT = (S ,A′) avec MST-Prim(G , c , r);Construire un couplage parfait M de longueur minimum pourles m sommets de degre impair de T (m pair);Extraire un cycle eulerien E du graphe G ′ = (S ,A′ ∪M)(degres tous pairs);retourner cycle hamiltonien visitant les sommets (la premierefois) dans l’ordre E

Complexite en O(n3)




Algorithme d’approximation de Christofides




Preuve de la borne

L’algorithme Christofides a une borne ρ(n) = 32

On a c(T ) ≤ c(H∗)

Inegalite triangulaire c(M) + c(M ′) ≤ c(H∗) =⇒ min c(M), c(M ′) ≤ 12c(H∗)




Algorithme d’approximation du plus proche voisin




Algorithme d’approximation de la plus petitedistance




Algorithme d’approximation de Clarke-Wright

Choix hub h et selection paire (u,v) maximisant c(u, h)+ c(h, v)− c(u, v)




Algorithmes d’approximations




Recherche locale 2-opt




Recherche locale 2-opt

Idee : echanger les sommets de deux aretes du tour et repeterl’operation tant que cela ameliore le tour.




Qualite des algorithmes d’approximation

Distances moyennes a la borne inferieure fournie par Held-Karp

Plus proche voisin : 26%

Plus petite distance : 17%

Clarke-Wright : 11, 3%

Christofides : 9, 7%

2-opt : 4, 9%

3-opt : 3, 1%

LKH (k-opt bride) : 2%

(distances euclidiennes aleatoires pour n=1000 villes)




Exercice : cartographie genetique

On dispose de balises M (marqueurs

genetiques) sur les chromosomes

d’un organisme donne. On etablit un

protocole experimental mesurant la

recombinaison genetique sur les des-

cendants de deux grands-parents ho-

mozygotes (les balises de la mere

ont la valeur 0 et celles du pere

la valeur 0 ou 1). Sachant que

la recombinaison genetique est un

evenement rare, proposer une for-

mulation du probleme de localisa-

tion des balises sur les chromosomes

comme un VRP. Comment trouver

M ′ ⊆ M tel qu’il n’existe pas de

carte aussi vraisemblable ?




Solution : cartographie genetique

Soit n le nombre d’enfants mesures et ni ,j , le nombre derecombinaisons observees entre deux marqueurs Mi et Mj (casMi = 0,Mj = 1 ou cas Mi = 1,Mj = 0).

Matrice de distance : δ(Mi ,Mj) = ni ,j (critere de parcimonie).

Seuillage de la matrice (n/2) et recherche des composantesconnexes.

Pour chaque composante C , definition d’un VRP(G = (C ′,C ′ × C ′), δ) avec C ′ = C ∪ {Mf } et Mf un marqueurfictif tel que δ(Mf ,M) = δ(M,Mf ) = 0 ∀M ∈ C .




Solution : cartographie genetique

xThomas Schiex, Simon de Givry Graphes, Algorithmes



Solution : cartographie genetiqueMatrice de log-vraisemblance normalisee 2-point avec un seuil a 9 sur le chromosome 2 du chien (|M| = 427).Chaıne rouge : plus long plus court chemin (|M′| = 26).

Chaıne verte : carte robuste L∗ − L ≥ 1 (|M′| = 54).1

419

420

421

422

423

424

425

426427

390

412

2

311

314

315316317

318

319320321322

323

324325

326327

328

329

330

331332333

334

335

336

299

312

313

339

340

338

341

337

345346347

342

356

3

375

377

380381382

383

384385

386

387

388

389

391392393

394

395396397

398

399400401402403404405

406

407

408

409

410

411

414

415

416417

376378

379

364

372

413

418

4

5

14

15

16

17

18

19

20

21

22

23

24

25

27

26

29

30

31

32

34

36

37

38

39

33

35

40

42

41

45

46

47

48

53

49

50

51

54

58

60

61

59

63

56

57

64

65

73

74

75

66

68

69

67

71

72

77

78

7980

81

82

83

84

85

86

88

87

89

90

91

93

9495

97

101

96

92

98

100

99

102

103

104

105

106

107

109

110111112

113

108

114

115

116117118

119

120

121

122

123

124

126

127

128131

132133

134

125129130

135

136

137

140

176

174

177

180

175

168

170

173

138

139

142141

178

179

181

182

183

184

186187

166

169171

172

143

144145147154

146 148149

150

151

152153

155156157

158

159

160

161

162

163

164165

167

185

188189

190

194195197

191

193

196

192

198

200

203

237

202

204

206

233

234

199

205

212

221

222

201

211

242

245

240

238241

239

243

244

223

208

207

209

215

236

235

246

251

247

248

252

213

214217 216

219

225

226

231

224

227228

229230

232

210

218

220

249250

254

256

257

253

259

255

258260

261

263264

265266

267268

269271

272

273274

275276

278

262

277

279280

270

283284289

281

290

285

282

286

287

288

291292

293

300

301

302

303

306

307

305

310

294

295296

297

298

304

308

309

352

343344

348354

349

350

351

353

355

357

361

365

358359

360

362

366

367

368369

370

374

363

373

371




Partionnement de graphe et maximisation de lamodularite

Objectif : regrouper les sommets d’un graphe en moduleshomogenes et bien separes.

Definition

(Newman, 2002)Soit un graphe non-oriente G = (S ,A).Trouver une partition de S en modules qui maximise le nombred’aretes internes moins le nombre attendu d’aretes sousl’hypothese d’un tirage aleatoire des aretes ayant la memedistribution des degres que dans G .




Maximisation de la modularite

Definition

(Newman, 2004)Soit un graphe non-oriente G = (S ,A).Maximiser Q =

∑

m[am − em]avec am, le nombre d’aretes de A dans le module met em le nombre attendu.

Q = 0 : graphe aleatoire.Q = 1 : graphe ayant une structure en fortes communautes.

Le probleme de maximisation de la modularite est NP-difficle.




Modularite : karate club de Zachary Q = 0.42

xThomas Schiex, Simon de Givry Graphes, Algorithmes



Modularite : Les Miserables de Victor Hugo Q = 0.56

1

2

3

4

5

6

78 9

10

11

12

13

14

15

16

17

18

19

20

21

22

23

24

25

26

27

28

29

30

31

32

33

34

35

36

3738

39

40

41

42

43

44

45

46

47

48

49

50

51

52

53

54

55

56

57

58

59

60

61

62

63

64

65

66

67 68

69

70

71

72

73

74

75

76

77




Reformulation en partionnement de cliques

Definition

Soit un graphe non-oriente G = (S ,A) pondere par

w(u, v) = 1|A|(eu,v −

degre(u).degre(v)2|A| )

avec eu,v = 1 si (u, v) ∈ A et eu,v = 0 sinon.

On introduit des variables Booleennes xu,v = 1 si les sommets u etv sont dans le meme module et xu,v = 0 sinon.

Maximiser Q =∑

u<v∈S w(u, v).xu,vTel que xu,v + xu,w − xv ,w ≤ 1 ∀u, v ,w ∈ Set xu,v ∈ {0, 1} ∀u, v ∈ S

x xResolution via la programmation lineaire en nombres entiers.




Graphes, Algorithmes - et modélisation · Graphes,Algorithmes et mod´elisation Thomas Schiex,...

Documents

Transcript of Graphes, Algorithmes - et modélisation · Graphes,Algorithmes et mod´elisation Thomas Schiex,...